基于因果关系的参数化控制屏障函数用于安全多车交互
该论文提出了一种基于因果推理的参数化控制屏障函数方法，用于解决多车交互中的安全控制问题。通过将因果推断嵌入到参数化CBF中，该方法能够显式推理车辆间的相互影响，克服了现有方法中难以确定因果关系或过度保守的缺陷。基于学习到的因果关系参数化CBF，自适应安全控制器允许自车根据对周围车辆行为的预期做出安全反应，并在多种交互密集场景中显著提升了任务效率。该工作已被ICRA 2026接收。
安全控制是自动驾驶等安全关键应用中的核心问题。为确保自动驾驶车辆与其他车辆不发生碰撞，必须准确预测周围车辆的行为并做出适应性反应。然而，现有方法通常假设所有车辆完全合作且使用相同的安全控制器，或者采用数据驱动方式建模周围车辆的控制策略。但这些方法存在两个主要局限：一是难以确定多车交互中车辆行为的因果关系，因为车辆之间的相互影响使得因果推断变得复杂；二是基于最坏情况的分析导致行为过于保守，牺牲了任务效率。
为克服这些局限，本文作者在参数化控制屏障函数（Parametric-CBF）的基础上，创新性地引入了因果推断机制，提出了因果关系参数化CBF（Causality-based Parametric-CBF）。该方法通过嵌入因果推理，显式地建模和推理车辆间的相互影响，从而更准确地预测周围车辆的行为。具体而言，Parametric-CBF是一种将控制屏障函数参数化的框架，能够根据环境动态调整安全约束。通过结合因果推断，系统可以学习到周围车辆行为的因果结构，而不是简单假设它们服从某种固定策略。
基于学习到的Causality-based Parametric-CBF，作者设计了一种自适应安全控制器。该控制器使自车能够根据对周围车辆行为的预期做出安全且高效的决策，而不是盲目遵循最坏情况下的保守策略。实验结果表明，在多车交互的典型场景中，例如高速公路并道、十字路口通行等，该方法通过利用多车系统的运动灵活性，在保证安全的同时显著提升了任务效率。例如，在密集交通流中，自车能够更流畅地完成变道，而不会因过度谨慎导致交通阻塞。
该论文已被ICRA 2026接收，展示了因果关系与安全控制结合的潜力。作者包括Yiwei Lyu等人，投稿于2026年6月23日。这项工作为自动驾驶中的安全交互提供了新的思路，未来有望应用于更复杂的多智能体协作场景。